What does this research mean for the field?

Integrating recurrent neural networks, a novel ShortCut3-ResNet residual module, and a dual optimization model into convolutional neural networks improves convergence speed, feature extraction accuracy, and image recognition capabilities. Novelty: ClaimNovelty.METHODOLOGICAL. Consensus alignment: ConsensusAlignment.NEUTRAL.

January 1, 2020Open Access

طريقة التعرف على الصور باستخدام الذكاء الاصطناعي تعتمد على خوارزمية الشبكات العصبية الالتفافية

Key Points

Key points are not available for this paper at this time.

Abstract

نظرًا لأدائها الممتاز، تم استخدام الشبكة العصبية الالتفافية على نطاق واسع في مجال معالجة الصور وحققت نتائج جيدة بالاعتماد على حقل الاستجابة المحلي الخاص بها، ومشاركة الأوزان، والتجميع، والاتصالات النادرة. لتحسين سرعة التقارب ودقة التعرف على خوارزمية الشبكة العصبية الالتفافية، يقترح هذا البحث خوارزمية جديدة للشبكة العصبية الالتفافية. أولاً، يتم إدخال شبكة عصبية متكررة إلى الشبكة العصبية الالتفافية، ويتم تعلم الميزات العميقة للصورة بشكل متوازي باستخدام الشبكة العصبية الالتفافية والشبكة العصبية المتكررة. ثانيًا، وفقًا لفكرة طبقة الالتفاف القابلة للتخطي في ResNet، يتم بناء وحدة بقايا جديدة تدعى ShortCut3-ResNet. ثم، يتم إنشاء نموذج مزدوج للتحسين لتحقيق التحسين المتكامل لعملية الالتفاف والاتصال الكامل. أخيرًا، يتم تحليل تأثيرات معلمات مختلفة من الشبكة العصبية الالتفافية على أداء الشبكة من خلال تجارب المحاكاة، ويتم تحديد المعايير المثلى لشبكة الشبكة العصبية الالتفافية. تظهر النتائج التجريبية أن خوارزمية الشبكة العصبية الالتفافية المقترحة في هذا البحث يمكن أن تتعلم الميزات المتنوعة للصورة، وتحسن دقة استخراج الميزات وقدرة التعرف على الصور للشبكة العصبية الالتفافية.

اسأل الذكاء الاصطناعي

Bookmark

View Full Paper